#dNosesEU #odourObservatory

PIERLUIGI BARBIERI*, SABINA LICEN

Un Sistema Integrato Intelligente per la Caratterizzazione Strumentale e Sensoriale

delle Molestie Olfattive

Dipartimento di Scienze Chimiche e Farmaceutiche , Università degli Studi di Trieste,

Via L. Giorgieri 1,34127 Trieste

*barbierp@units.it

Workshop Sartec«Innovazione tecnologica,sviluppo normativo e caratterizzazionesu tematiche odorigene»

Mercoledì 12 dicembre 2018Sala Conferenze Saline Conti Vecchi

Assemini (Ca)

Pierluigi Barbieri

• Presidente dell'Ordine Regionale dei Chimici e dei Fisici del Friuli Venezia Giulia • Consulente del Sindaco di Trieste per problemi di inquinamento e di chimica ambientale; • Referente per la convenzione tra DSCF e Regione Autonoma FVG su tematiche di inquinamento industriale• Rappresentante dell'Università di Trieste @ Comitato scientifico di ARPA FVG• Esperto di UNI nel "gruppo ad hoc sull'impatto odorigeno" e nei CEN / TC264 / WG2 e WG41• Componente del gruppo di odori di AIDIC

• Già co-fondatore di ARCO SolutionS srl «Centro Odori», spin off di Univ. di Trieste• Già consulente (CTU) per la Procura della Repubblica di Trieste

Professore associato di Chimica dell’Ambiente e dei Beni CulturaleDipartimento di Scienze Chimiche e Farmaceutiche, Università degli Studi di Trieste

OGGETTIVARE LE MOLESTIE OLFATTIVE PERCEPITE DALLA POPOLAZIONE: SENSO COMUNE E HIGH TECH

3

APPROCCIO INTRODOTTO CONS. Licen, G. Barbieri, F. Stel, M. Strappini, P. Barbieri Molestie olfattive, nasi elettronici e sistemi integrati intelligenti per la caratterizzazione strumentale e sensoriale degli impatti odorigeni nell’aria ambiente BEA-Il Bollettino degli Esperti Ambientali - 67, 2016, 7-18

ARTICOLATO IN S. Licen, G. Barbieri, A. Fabbris, S.C. Briguglio, A. Pillon, F. Stel, P. Barbieri,Odor control map: Self organizing map built from electronic nose signals and integrated by different instrumentaland sensorial data to obtain an assessment tool for real environmental scenarios,Sensors and Actuators B: Chemical, 263, 2018, 476-485, https://doi.org/10.1016/j.snb.2018.02.144.

OGGETTO DI APPROFONDIMENTI PRESENTATI A CONGRESSIS. Licen , S. Cozzutto, G. Barbieri, P. Barbieri Prediction of odour concentration by use of Supervised Kohonen Networks on electronic nose signal records of odorant samples and real environment air samplesXXVII Congress of the Analytical Chemistry Division of the Italian Chemical Society, Bologna, September 16-20, 2018

IN SVILUPPO…

Effetti di sostanze volatili sulla fisiologia umana:percezione olfattiva (I stadio percettivo, II cognitivo), irritazione, stimolazione endocrina (tossicità a concentrazioni critiche)Ca.350 tipi di neuroni olfattivi diversi (L.Buck e R.Axel Nobel 2004)

Ognuno di noi ha, nel proprio naso, circa sei milioni di recettori di odori di circa trecentocinquanta tipi diversi. La distribuzione di questi recettori varia da persona a persona, al punto che l'olfatto di ciascuna persona può essere considerato come "impronta olfattiva".

E’ impatto soggettivo, oggettivabile/misurabile

1. SE NON C’E’ PRESENZA DI INDIVIDUI «SENZIENTI», NON C’E’ ODORE

ODORE: ODOUR: SENSAZIONE PERCEPITA TRAMITE L’ORGANO DELL’OLFATTO NELL’ANNUSARE ALCUNE SOSTANZE VOLATILI [EN ISO 5492:2009 Sensory analysis - Vocabulary]

4

2. Risulta quindi rilevante la valutazione dell’odore ai recettori dov’è presente la popolazione senziente, alle immissioni (ricadute delle emissioni).

Il metodo normato per rilevare l’odore nell’aria ambiente è costituito attualmentedalle ispezioni sul campo (field inspections).

La UNI EN 16841:2016 «Determinazione dell'odore in aria ambiente mediante indagine in campo» Parte 1 (metodo a griglia) e Parte 2 (metodo a pennacchio) è stata pubblicata nel novembre 2016:

“This European Standard supplement the dynamic olfactometry method described in EN 13725 which is generally only suitable for measurement of odour emissions at source as the practical lower detection limit is typically ≥10 ouE/m3, and cannot be applied directly to determine odour exposure in the field.”

“The methods for measuring odour presented in this European Standard make direct use of the effect of odorants on the human sense of smell. The standard involves the use of qualified human panel members in the field to directly assess the presence of recognizable odour in ambient air, and provide data that can be used to characterize odour exposure in a defined assessment area.”

5

Campagne olfattometriche condotte sul campo con panel di esaminatori addestrati

Grid method Plume method

Indagine di lunga durata (1 anno) al fine di ottenere una mappa di esposizione ad

odori riconsocibili su un area selezionata

Metodo di breve durata (10 o più indagini di qualche ora con differenti condizioni meteo) per determinare l’estensione dell’odorericonoscibile da una sorgente

1

10

14

5

23

13

24

31 39

44

48 55

11 12

52

25

38

1 2 3

4

6 7

8 9

25

15 17 16

18

19 21

20

22

36

26

27

28 29 30

32

33 34 35

37 41

45

42

43

49 51

50

47

57

56

54

62 58

59 60

61

10

40

46

53

6

3. METODO DI INDAGINE «DISCONTINUA» CRITICITÀ PER CASI CON SIGNIFICATIVA VARIABILITÀ DI EMISSIONI (COSTI – ORGANIZZAZIONE - COPERTURA NON CONTINUA (FIDOL) )

4. La stima delle immissioni viene effettuata anche con misure alle sorgenti emissive (SOER (ou/m2/s), Emission Rate (ou/s)) e valutazione della dispersione delle unità di odore in atmosfera, modellando variabilità meteorologica sulla specifica orografia, DTM.

L’affidabilità delle stime modellistiche per le ricadute sul territorio dipende molto dalla accuratezza della descrizione delle emissioni (variabili nel tempo) della sorgente emissiva considerata

7

Con questo approccio, come tenere in conto emissioni fuggitive?SERVE VALIDAZIONE DEI MODELLI!!!Possono risultare molto utili i sistemi strumentali di monitoraggio in continuo dell’odorela cui standardizzazione procedurale e’ oggetto di lavoro del CEN TC264/WG41 e in UNI

5. Dal punto di vista del recettore, ha rilevanza caso di odore (effetto) da emissioni multisorgente con pattern variabili nel tempo

8

6. Ciò che importa è ridurre esposizione al recettore / segnalazioni (Frequenza Intensita’ Durata delle molestie olfattive)

#dNosesEU #odourObservatory

Quando consideriamo significativi gli impatti sensoriali?

Rilevanza secondo l’OMSCostituzione dell'Organizzazione Mondiale della Sanità: PrincipiLa salute è uno stato di completo benessere fisico, mentale e sociale e non semplicemente l'assenza di malattia o infermità.

(2000)

Impatto olfattivo: colpisce piccola parte della popolazione?

Un impatto olfattivo non sporadico diviene molestia

Identificazione oltre 330 indirizzi con via e numero civico univocoRaccolta di vari anni di segnalazioni spontanee dei cittadini

WW

TP

10

ASS1

documenti.comune.trieste.it/ambiente/Report_21%20novembre%202016.pdf

www.openstarts.units.it/bitstream/10077/13491/1/Poliarchie_2_2016.pdf

11

Segnalazionidi

MOLESTIA

OLFATTIVA

Segnalazionidi

IRRITAZIONI,

DIFFICOLTA',

MALESSERE

Segnalazionidi

DEPOSIZIONI

Segnalazionidi

IMPATTO

ACUSTICO

Segnalazionidi

IMPATTO

VISIVO

Somma

annuale

2009 417 164 129 10 240 960

2010 408 165 88 56 251 968

2011 298 155 107 37 223 820

2012 451 201 110 36 238 1036

2013 338 135 76 11 167 727

2014 111 31 15 6 36 199

2015 638 221 158 73 132 1222

2016* 447 185 86 57 83 858

Totale

complessivo3108 1257 769 286 1370

0

100

200

300

400

500

600

700

2009 2010 2011 2012 2013 2014 2015 2016 (vuoto)

Somma di MOLESTIA OLFATTIVA Somma di IRRITAZIONI, DIFFICOLTA', MALESSERE

Somma di DEPOSIZIONI Somma di IMPATTO ACUSTICO

Somma di IMPATTO VISIVO

* 2016 primi 9 mesi

SEGNALAZIONI ALLA POLIZIA LOCALEUna singola segnalazione si può riferire a varie molestie

http://ambiente.comune.trieste.it/wp-content/uploads/2016/09/presentazione-segnalazioni-barbieri-21112016-d.pdf 12

Grandi segnalatori

13

molestie

olfattive

irritazioni, difficoltà,

malessere

Deposizioni impatto

acustico

impatto

visivo

PONTICELLO c 347 61 105 28 172

2009 45 9 16 2 27

2010 32 3 10 8 28

2011 41 9 14 8 33

2012 84 15 11 7 48

2013 45 13 6 1 24

2014 6 1 2 0 3

2015 57 5 28 1 4

2016 37 6 18 1 5

molestie

olfattive

irritazioni, difficoltà,

malessere

deposizioni impatto

acustico

impatto

visivo

SAN LORENZO IN

SELVA 25/d

201 86 20 55 186

2009 3 1 2 1 4

2010 5 2 2 1 7

2011 12 9 4 6 29

2012 34 19 4 5 53

2013 23 10 2 3 19

2014 18 5 0 5 6

2015 66 19 6 27 43

2016 40 21 0 7 25

Numeri civici non esplicitati per rispetto privacy

Tra 2015 e 2016, segnalazioni di odori giungono da tutti i siti; da vari civici di via Ponticello c’è indicazione frequente di deposizioni; da condomini di via San Lorenzo in Selva di impatto acustico

* 2016 primi 9 mesi

7. raccolta segnalazioni –identificazione hotspot –

posizionamento dei sistemi di monitoraggio dell’odore

Before 2016: CAR, the only station under public control, official node of the public AQ monitoring network RFI, just for industrial performance assessment (not AQ)PIT, under private controlIn 2016:PON starts to monitor (in Summer2016)In 2017:Continuous noise monitoring close to SLSSLS starts to monitorIn 2018: SLS under control of ARPA

POSITIONING THE MONITORING STATIONS IN THE RIGHT (Relevant) PLACE

14

8. In base a complessità del contesto territoriale e alle finalità dello studio (presenza/assenza odore ; discriminazione sorgenti rilevanti; quantificazione della concentrazione di odore)

si possono/devono impiegare strumenti di monitoraggio dell’odore diversi.

Maggiore il dettaglio necessario, più sorgenti, maggiore è la complessità del background, più odoranti significativi e maggiore variabilità (intensità, si/no di sorgenti; meteorologia) maggiore sarà il numero di sensori e alta frequenza di acquisizione dati e dati ancillari utili

Un panorama - datato ma utile - sulle tipologie di sensore: Albert, Keith J. and Lewis, Nathan S. and Schauer, Caroline L. and Sotzing, Gregory A. and Stitzel, Shannon E. and Vaid, Thomas P. and Walt, David R. (2000) Cross-Reactive Chemical Sensor Arrays. Chemical Reviews, 100 (7). pp. 2595-2626.

15

Bettina Malnic, Junzo Hirono, Takaaki Sato, Linda B. Buck

Combinatorial Receptor Codes for Odors

Cell, Vol. 96, 713–723, March 5, 1999,

16

Più recettori olfattivi per una molecola, riconoscimento parziale e non specifico delle strutture chimiche - Un recettore risponde a molecole diverse

Keith J. and Lewis, Nathan S. and Schauer, Caroline L. and Sotzing, Gregory A. and Stitzel, Shannon E. and Vaid, Thomas P. and Walt, David R. (2000) Cross-Reactive Chemical Sensor Arrays. Chemical Reviews, 100 (7). pp. 2595-2626.

Conventional approaches to chemical sensors have traditionally made use of a “lock-and-key” design, wherein a specific receptor is synthesized in order to strongly and highly selectively bind the analyte of interest.1-6 A related approach involves exploiting a general physicochemical effect selectively toward a single analyte, such as the use of the ionic effect in the construction of a pH electrode. In the first approach, selectivity is achieved through recognition of the analyte at the receptor site, and in the second, selectivity is achieved through the transduction process in which the method of detection dictates which species are sensed. Such approaches are appropriate when a specific target compound is to be identified in the presence of controlled backgrounds and interferences. In addition, this type of approach is not particularly useful for analyzing, classifying, or assigning human value judgments to the composition of complex vapor mixtures such as perfumes, beers, foods, mixtures of solvents, etc.

An emerging strategy that is complementary to the conventional chemical sensing approach involves the use of sensor arrays. The utilization of sensor arrays is inspired by the superb performance of biological olfactory systems in odor detection, identification, tracking, and location tasks. Recent work has shown that the mammalian olfactory system contains approximately 1000 different olfactory receptor genes and that, upon odor stimulation, responses from many receptors are sent to the olfactory bulb and then on to the olfactory cortex for processing.7-10 Furthermore, recent experiments have shown that the olfactory receptors are not highly selective toward specific analytes; in fact, one receptor responds to many analytes and many receptors respond to any given analyte.

17

https://www.nobelprize.org/prizes/medicine/2004/press-release/

18

Ora sappiamo di più

Christopher D. Wilson, Gabriela O. Serrano, Alexei A. Koulakov & Dmitry Rinberg «A primacy code for odoridentity» NATURE COMMUNICATIONS | 8: 1477 | DOI: 10.1038/s41467-017-01432-4

«… Odorants are sensed by olfactory sensory neurons (OSNs), each expressing one out of a large family of olfactory receptor (OR) genes. Axon terminals from OSNs expressing the same OR gene converge in a few discrete structures in the olfactory bulb (OB) called glomeruli. Odorants evoke responses in an ensemble of glomeruli to create a combinatorial representation of odor identity. This representation varies not only across odorants, but also across concentrations of a single odorant (Fig. 1a). Low concentrations of odorant evoke activity in only the most sensitive glomeruli, while increases in concentration result in recruitment additional less sensitive glomeruli. Despite this variability, odors’ qualitative identities are preserved across a range of concentrations….”

19

Curiosità: Per indagini discontinue (caratterizzazione qualitativa) ci sono già strumenti sul mercato

“The EssenceChip™ contains the Aromyx patented bioassay in an industry standard and common form-factor called a well plate.

Each “well” of the EssenceChip plate contains a unique human olfactory receptor. Human olfactory receptos respond to one or multiple molecules known as ligands.

When the EssenceChip™ a well plate is exposed to a smell or taste, the bio-assay absorbs the smell or taste molecules and activates a signal cascade exactly the same as in the human nose.

After being exposed to a taste or smell, the EssenceChip™ is then inserted in a plate reader and the digital measurement of the smell or taste is captured.

Plate readers “read” each hole in a well plate by using either Fluoresence or FRET.”

20

CASI

Facile

una sorgente, un odorante a bassa soglia di percezione olfattiva (che attiva il primo pattern di glomeruli) – obiettivo: odore si / no

-> sufficiente un sensore / analizzatore sensibile e selettivo (es. H2S)

…

…

Difficile

più sorgenti, emissioni variabili, diversi odoranti (che attivano diversi pattern di glomeruli) ) e soglie di percezione olfattiva comparabili – obiettivo: anche quantificare intensità /concentrazione di odore associate a molestia

-> necessari sensori sensibili e selettivi per i diversi marker + eventuali sensori con soglia di attivazione maggiore per graduare risposta (Cross-Reactive ChemicalSensor Arrays)

21

Tecnologia Sensoristica –Rilevazione di composti volatile basata su un insieme organizzato (array) di sensori

Buona soddisfazione con polimeri nanocompositi (Nano Composite Array - NCA)

22

Nathan S. LewisComparisons between Mammalian and Artificial Olfaction Based on Arrays of Carbon Black−Polymer Composite VaporDetectors Acc. Chem. Res., 2004, 37 (9), pp 663–672 DOI: 10.1021/ar030120m

Un sistema di sensori ibrido con a bordo diverse tipologie di sensori (NCA+MOS+PID),

coordinato ad un campionatore attivabile da remoto

Produce dati con frequenza al minuto e consente di raccogliere campioni d’aria da analizzare in laboratorio in caso di segnalazioni di molestia. 23

9 Esempio di IOMS – instrumental odour monitoring system

10. L’addestramento del sistema / training

Il nostro approccio è inizialmente non supervisionato (unsupervised - NTA 9065:2012 Air quality – Electronic air monitoring –Odour (nuisance) and safety)

si procede alla rilevazione di segnali del sistema multisensore per un periodo rappresentativo (anche mesi) per mappare variabilità della composizione dei vapori rilevabili nel sito

si identificano quindi vettori/pattern ricorrenti che vengono poi raggruppati (algoritmo Self Organizing Map)

24

Sensazione(dato empirico,sperimentale)

Memoria («Pattern ricorrenti» vengono appresi) Esperienza: non è singola sensazione ma

l'accumularsi di sensazioni grazie alla memoria : mettendo insieme una serie di casi singoli si riesce ad arrivare ad una prima forma di generalizzazione

(«Che cosa»)

• Kohonen, T. (2001). Self-organizing maps, third ed. Berlin: Springer.• Himberg, J., Ahola, J., Alhoniemi, E., Vesanto, J., Simula, O., 2001. The Self-Organizing Map as a Tool in Knowledge Engineering DOI:10.1142/9789812811691_0002

DATO SENSORIALE,INFORMAZIONE MEMORIZZATA,PRIMA GENERALIZZAZIONE

25

DA «SENSAZIONE» (VETTORE DI DATI RILEVATI DAI SENSORI) A PATTERN MEMORIZZATO (NEURONE)

DA «TABULA RASA» A UN MODELLODEI DATI SENSORIALI, UNA MAPPA DELLA REALTA’ OGGETTO DI STUDIO

26

11 Visualizzazione bidimensionale non lineare - su più piani

I DIVERSI PIANI DELLA MAPPA RAPPRESENTANO CIASCUNO LA VARIABILITA’ DI UN SENSORE NELLE SITUAZIONI DESCRITTE DALLA MAPPA (RAPPRESENTATIVITA’VERIFICABILE RISPETTO A NUOVI DATI SENSORIALI)

POSIZIONI VICINE NELLA MAPPA INDICANO GENERALMENTE RELATIVA SIMILITUDINE A SEGUITO DEL TRAINING CHE GENERA VETTORI CARATTERISTICI/NEURONI DELLA MAPPA MODIFICANDO BMU E SUO INTORNO, MA NON VI E’ METRICA/DISTANZA LINEARE SULLA MAPPA (possono esserci aree omogenee e discontinuità, sulla base dell’eterogeneità dei dati sensoriali/vettori sperimentali impiegati nel training)

27

12. Interpretazione («il perché») dei raggruppamenti di vettori caratteristici/neuroni si ottiene correlando il modello (la mappa) dei dati prodotti dal sistema multisensore con altre matrici di dati che condividono con i dati del sistema multisensore una modalità di raccolta: il tempo a cui avviene l’evento. Al tempo tx in cui il dato prodotto dal sistema multisensore corrispondeva a vettore caratteristico k sulla mappa, si sono verificate:

- segnalazione di molestia olfattiva della cittadinanza, - concentrazione di X ug/m3 di marker di sorgente (es. B/T o H2S) dal

monitoraggio continuo «tradizionale» - concentrazione di odore di Y uoE/m3, rilevata in laboratorio su campione

prelevato in situ da campionatore attivato da remoto al tempo tx +1t (1t piccolo)

- il vento spirava da direzione Z, - evento critico in impianto!!! a (tx -2t)

è DATA FUSION si identificano attributi caratteristici della tipologie d’aria identificate dall’applicazione delle SOM ai dati prodotti dal sistema multisensore (IOMS)

DA ESPERIENZA A INTEGRAZIONE DELLE INFORMAZIONI, CONTESTUALIZZAZIONE, CONOSCENZA-SCIENZA

28

13 Somministrazione a IOMS di campione prelevato a sorgente e diluito per conferma di identificazione di tipologia d’aria associata a specifica/ specifiche sorgenti (classificazione)

Ques’operazione – che usualmente è considerata il cuore della fase di training di un naso elettronico - non è esaustiva se non è nota la variabilità delle risposte dei sensori in situ (effetto di variabilità del background)

29

14 predizione concentrazione di odore banale con n butanolo- campione diluito/orientato/Super SOM/

Accanto a training per classificazione (es1: odore / non odore; es2: sorgente 1 sopra soglia / sorgente 1 sotto soglia / sorgente 2 sopra soglia / sorgente 2 sotto soglia / incognito)

È possibile definire una calibrazione dei pattern dei segnali del sistema multisensore in funzione della concentrazione di odore (UNI EN 13725: 2004) di campioni d’aria odorosi, generati con:

- odoranti specifici (es. n-butanolo);

- campioni di sorgente odorigena a diverse diluizioni;

- campioni d’aria ambiente odorosa a diverse diluizioni.

S. Licen , S. Cozzutto, G. Barbieri, P. Barbieri ”Prediction of odour concentration by use of Supervised Kohonen Networks on

electronic nose signal records of odorant samples and real environment air samples” XXVII Congress of the Analytical

Chemistry Division Bologna, September 16-20, 201830

15. Possibile definire criterio numerico di anomalia = novità o malfunzionamento, necessità di estendere / aggiornare mappa (retraining) –apprendimento di nuovo fenomeno (training incrementale - mappa si espande – aumentano gli attributi)

Piccola distanza nello spazio a N dimensioni da propria BMU distante da tutte le altre (dato anomalo già presente nel training)

Grande distanza nello spazio a N dimensioni dalla BMU necessità di retraining (Errore di quantizzazione alto)

Muñoz, A., Muruzábal, J., 1998. Self-organizing maps for outlier detection. Neurocomputing 18, 33–60. doi:10.1016/S0925-2312(97)00068-4

31

CASE STUDY Bio-waste composting facility

100 m

N

S

EW

Sm

Plant

Map of the investigated area (Sm=sampling site;blue area=plant;red area= plant odor sources;yellow areas=dwellings ).

1 group of dwellings at 100 m

1 group of dwellings at 300 m

Sampling point at 100 m, near dwellings

Electronic nose – 33 sensors by Sensigent(Baldwin Park CA –

U.S.A.)

Automatic sampling system (OdorPrep, by Lab Service AnalyticaS.r.L., Italy) for air samples collection

Remote activation in correspondence of citizens' complaints

Odor concentration analysis (EN 13725:2003) by a dynamic olfactometer (WOLF ??by ArcoSolutions s.r.l., Italy)

Three sources sampled in bags by a manually activated “lung

principle” sampler

(August - December 2017)

S. Licen, S. Cozzutto, M. Angelucci, P. Barbieri «Self Organizing Map algorithm as a tool for analysis, visualization and interpretation of electronic nose high dimensional raw data” NOSE 2018 Milan, 9-12 September 2018

HOW TO PUT IN A COMPREHENSIVE FRAME ALL THE DATA AVAILABLE?

WE STARTED FROM THE ELABORATION OF E-NOSE AMBIENT AIR DATA BY SELF ORGANIZING MAP ALGORITHM

DATA AVAILABLE

more than 140'000minutes recorded

Four months survey

x 33 sensors

more than 4.5 millionsof single sensor values

10 air samples collected at the receptor Odor concentration in OUe m−3

3 sources sampled and submitted to the electronic nose E-nose records

SELF ORGANIZING MAP BUILDING

SOM map composed by 476 neurons(34x14) representing "air types"

perceived at the receptor

5 Clusters = "air types" classification

K-means clustering

more than 140'000minutes recorded

Four months survey

x 33 sensors

more than 4.5 millionsof single sensor values

1

4

5

3

2

The neurons are depicted by hexagons stuck together in a 2D map

3 source profiles recorded by the electronic nose

Cluster characterization (I)

The source profiles were projected onto the map, thus:

1. The source profile is presented to the SOM model;

2. The algorithm identifies (in terms of distance) the Best Matching Unit (i.e. neuron) for the

sample;

3. A symbol is depicted onto the map in correspondence of the assigned neuron

Source

assignment

1

4

5

3

2

Cluster 5

Source 1

Source 2

Source 3

10 air samplings followed by olfactometric analysis (EN 13725)

Cluster characterization (II)

They only common variable between high frequency data and ambient air samplings is the sampling

date/time (2-3 minutes for each sample), thus:

1. The air sampling with OdorPrep date/time was identified ;

2. The e-nose data vectors corresponding to the same date/time were

identified;

3. The map neurons representing the abovementioned data vectors were

identified;

4. The odor concentration values obtained by the olfactometric analysis

were directly depicted onto the map over the abovementioned neurons

(represented by hexagons)

Odor concentration(European Odour Units/m3)

1

4

5

3

2

2916

25

16 3024

33

20

3640

HITS = number of experimental vectors represented by each neuron

Cluster characterization (III):

hits & cluster frequency (+ duration)

1

4

5

3

2

2916

25

16 3024

33

20

3640

a

b

c

a-b-c: neurons representing the highest number of experimental vectors (hits):

The filling of the hexagons is

proportional to the number of hits

a

b

c

Cluster assignment :

1 – not odorous;

2 – not odorous;

3 – modestly malodorous;

4 – not determined;

5 –malodorous.

Cluster duration (%)

Cluster 0-1 h 1-2 h 2-4 h 4-8 h 8-12 h 12-24 h 24-48 h 48-60 h 1 71 8 4 4 6 5 1 1 2 82 9 4 3 1 1 0 0 3 86 5 4 4 1 0 0 0 4 93 3 1 2 1 0 0 0 5 84 4 4 4 4 0 0 0

39 %

25 %

12 %

Cluster frequency

12 %

12 %

A CASE STUDY AT RECEPTORS CLOSE TO A STEEL PLANT

Citizen complaints records Meteorological data

C.O. = coke ovens; B.F. = blast furnace

Steel Plant

Italy,

Friuli Venezia-Giulia region,

Trieste city

SLS is only 180 m far

from the coke ovens!!!

Remotelyactivated air

samplerOdorprep

(Lab Service Analytica)

Multisensor arrayMSEM-32 (Sensigent)

Analysis by dynamic olfactometryaccording to EN 13725 within 6h (ARCO

Solutions srl)

Optical Particle Counter(MetOne Instruments)

Pollutant monitoring station(Regional Environmental Protection

Agency ARPA-FVG)

High frequency

data (min)

(Local Police)S. Licen, S. Cozzutto, G. Barbieri, P. Barbieri «Assessing impacts from very variable sources of perceptible pollutants: smart tools for the integration of high frequency instrumental

data with ancillary chemical, meteorological and subjective information - XVII Congresso Nazionale di Chimica dell’Ambiente e dei Beni culturali Genova, 24-27 giugno 2018

SELF ORGANIZING MAP BUILDING

120′000 sample vectors(1 vector per minute)

Four months survey

(June-September 2015)

x 21 sensors (E-nose)x 8 channels (OPC)

more than 3 millionsof single data

Self Organizing Mapcomposed by 1728 neurons (64x27) 3 Clusters = "air types"

1

3

2

(MATLAB implemented with SOM toolbox + R implemented with openair package and in-house scripts)

(Dim

ensi

on

rati

o d

epen

ds

on

fir

st 2

eigen

vect

ors

of

the

dat

a, V

esan

to2000)

Cluster characterization: heatmaps & cluster profiles

1 layer

Heatmap =

distribution of the neuron values

of a variable on the map

Var

iab

les

1

3

2

1

2

3

S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 S13 S14 S15 S16 S17 S18 S19 S21 S22 S N PM03 PM05 PM07 PM1 PM2 PM3 PM5 PM10

-1.5

0

1.5

Cluster 1

S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 S13 S14 S15 S16 S17 S18 S19 S21 S22 S N PM03 PM05 PM07 PM1 PM2 PM3 PM5 PM10

-1.5

0

1.5

Cluster 2

S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 S13 S14 S15 S16 S17 S18 S19 S21 S22 S N PM03 PM05 PM07 PM1 PM2 PM3 PM5 PM10

-1.5

0

1.5

Cluster 3

Cluster 1

Cluster 2

Cluster 3

E-Nose sensors OPC channels

HITS = number of experimental vectors represented by each neuron

Neuron representing the

maximum number of hits:

Grayscale from white to black

Growing number of hits

3743 hitsMean n° of

hits =69

Cluster characterization: hits & cluster frequency

31 %

40 %

29 %

1

3

2

150 citizen complaints records classfied as «Odor» and/or «Dust»

6 air samplings followed by olfactometric analysis (EN 13725)

Cluster characterization: scattered ancillary data

They only common variable between high frequency data and scattered ancillary data is the sampling

date/time, thus:

1. The scattered ancillary data date/time was identified ;

2. The high frequency data vectors corresponding to the same date/time were identified;

3. The map neurons representing the abovementioned data vectors were identified;

4. The scattered ancillary data were directly depicted onto the map over the abovementioned

neurons (represented by hexagons);

1

3

2

360

290300360

430380

1

3

2Odor

concentration(European Odour

Units/m3)

Citizen

complaints

2000 hourly vectors of pollutant data (benzene, CO, PM10, H2S, NO2, NOx)

2000 hourly vectors of wind data (speed and direction)

Cluster characterization: «medium» frequency ancillary data

Pollutant and wind speed and direction data (collected 200 m apart – RFI ) can be used as well, depicted in

boxplots according to clusters:

1. Each cluster represented a number of e-nose experimental data collected at specific

date/time values.

2. The abovementioned devices outputs were grouped according to the same date/time

values (i.e. according to the clusters ) and the groups obtained were represented in box-

plots.

1 2 3

010

20

30

40

50

60

ws

1 2 3

050

150

250

350

wdwdwsH2S

1 2 30

10

20

30

Benzene

1 2 30

10

20

30

40

50

PM10

1 2 30

100

200

300

400

The combined use of all the available information led to the following cluster assignment:

Cluster assignment : 1- low impact; 2 – medium impact; 3 – high impact

BACK TO DETAIL

Follow the trajectory!!!

Sistema Integrato Intelligente per la Caratterizzazione Strumentale e Sensoriale delle Molestie Olfattive (SIICSSMOlf)

Campioni di Aria Ambiente raccolti

immediatamente (minuti) dopo

segnalazioni di cittadini

Strumento multi-sensore

per il monitoraggio

ambientale

(naso elettronico)

monitoraggio in continuo

Segnali di miscele di composti volatili

(smellprint) presenti in aria ambiente

+ analisi chimica Semiquantitativa

(ca. un vettore/minuto)

Aria

ambiente

IDENTIFICAZIONE E

CARATTERIZZAZIONE

DELLE TIPOLOGIE

D'ARIA

percepite al recettore

Stazione micrometeorologica

Campionatore attivato

da remoto

Analisi olfattometrica

EN 13725 (entro 6 h)

Campionamento alle

sorgenti

VALUTAZIONE di

Frequenza,

Intensità

and Durata

per ogni tipo di aria

«Odorigena» e

«Non Odorigena»

Campioni di aria raccolti alle

sorgenti odorigene

Identificazione di

Anomalie/Nuove

"impronte" odorigene

Diluizione

STANZA DI

CONTROLLO

Segnalazioni

dei cittadini

(telefono/web)

Analisi chimica in laboratorio

(OPZIONALE)

Registro delle

segnalazioni dei cittadini

Concentrazione di

Odore (UOe)

Dati di direzione e

velocità del vento, RH, T

Reti Neurali per

classificazione non

supervisionata (SOM)

+ clusterizzazione

+ predizione

Strumentazione

Campioni d'ariaDati disponibili

Legenda:

Output del

modello

pubblicato in BEA-Il Bollettino degli Esperti Ambientali - S. Licen, G. Barbieri, F. Stel, M. Strappini, P. Barbieri "Molestie olfattive,

nasi elettronici e sistemi integrati intelligenti per la caratterizzazione strumentale e sensoriale degli impatti odorigeni nell’aria ambiente" (2016, 67,

2016/2, 7-18, riassunto disponibile all'indirizzo ww.unideaweb.it/html/pubblicazioni/pdf_BEA/BEA_2016/BEA_2016_02.pdf) OG

GET

TIV

AR

E LE

MO

LEST

IE O

LFAT

TIV

E P

ERC

EPIT

E D

ALL

A P

OP

OLA

ZIO

NE:

SEN

SO C

OM

UN

E E

HIG

H T

ECH

GRAZIE!BARBIERP@UNITS.IT

47